2301_77549977的博客

原创 P0,π| 目标策略 π 下的轨迹分布

原创 τ (\tau)的含义

怎么理解删失和随访。

原创 t bar 的含义

原创 目标策略 π 下的轨迹分布，与之前的探索策略 p 形成对比

原创 状态转移似然函数

总生存时间。

原创 trajectory definition 失败事件和删失如何改变轨迹结构

如果删失发生在阶段 t 之前，又怎么会有总的时间和呢。

原创 【符号定义】失败时间 x & 删失事件 C

原创 【符号定义】删失变量

删失独立性假设。

原创 【符号解释】 St=(Zt,Rt-1)

动态治疗方案（DTR, Dynamic Treatment Regime）背景下，核心关注点确实是。（或类似的时间终点）

原创 协变量/特征向量

协变量/特征向量"就是患者的"体检报告单”——各项指标写成数字，空了就表示人没了。

原创 逆概率加权【​​给“稀有但重要“的观测更高的权重，给“常见但信息有限“的观测更低的权重】

逆概率加权（Inverse Probability Weighting, IPW）是一种处理，从而纠正由于某些数据被"隐藏"（如删失）导致的估计偏差。

原创 IEEE 模版 作者传记间距过大问题

def\@IEEEBIOskipN{4\baselineskip}% nominal value of the vskip above the biography 把数字 4 改小，这个数字可以是零，也可以是负数，这个根据自身情况去进行更改。修改IEEEtran.cls，打开IEEEtran.cls，找到。

原创 WITRAN_2DPSGMU_Encoder 类中，门机制

类中，门机制是核心部分，类似于 LSTM 或 GRU 的门控机制，用于控制隐藏状态的更新和输出。以下是对门机制的详细解析。这种门机制类似于 LSTM，但针对二维时间序列数据进行了扩展，分别更新行和列的隐藏状态，从而捕获时间序列的复杂依赖关系。

原创 WITRAN_2DPSGMU_Encoder 类

类的主要逻辑和流程的图示化表示，帮助你更直观地理解代码的执行过程。通过以上图示化表示，可以更直观地理解。

原创 【WITRAN 代码理解】

【代码】【WITRAN 代码理解】

原创 【WITRAN 源码解读】

是通过滑动窗口填充生成的扩展张量，其内容包含了原始输入的所有信息，并在时间维度上产生了重叠。这种设计为模型提供了更多的上下文信息，帮助捕获时间序列的依赖关系。以下通过具体的例子和类比来帮助你理解四维张量的结构和操作。扩展后的张量可以看作是“时间序列的滑动窗口”，每一行的数据与其他行的数据在时间维度上产生了重叠。在时间维度上产生了重叠，为模型提供了更多的上下文信息，帮助捕获跨天的时间依赖关系。通过滑动窗口的方式，将原始输入扩展为形状。是通过滑动窗口的方式，将原始输入。通过滑动窗口的方式填充，扩展后的。

原创 Autoformer解码器层的数据流程图

原创 【统计学相关笔记】矩阵求导公式

矩阵求导公式。

原创 Autoformer编码器的季节性与趋势处理流程

Autoformer通过这种精心设计的渐进式分解架构，使模型能够更好地处理时间序列数据，特别是在长期预测任务中表现出色。

原创 Autoformer中序列分解的特殊性与意义

Autoformer中的序列分解（series_decomp）是该模型最具创新性的特点之一，它深刻体现了时间序列数据处理的特殊需求。

原创 Autoformer中序列分解的特殊性与意义

Autoformer中的序列分解（series_decomp）是该模型最具创新性的特点之一，它深刻体现了时间序列数据处理的特殊需求。

原创 【NeurIPS 2021】Autoformer、源码论文对照(下)

这一部分 是 自相关机制部分。

原创 【统计学相关知识】极小充分统计量

一般来说，使用因子分解定义找到的充分统计量，直观地找到的，一般是极小充分统计量，但还是要遵循严格的证明。极小充分统计量不具有唯一性，具有不变性，线性映射仍然是极小充分统计量。定义、判别，计算上的定义。

原创 【AutoFormer 源码理解】DecoderLayer

好的，让我们为类的forward方法中的每行代码添加注释，说明代码的目的和形状的变化。

原创 【AutoFormer 源码理解】解码器结构

通过这些注释和解析，我们可以更清晰地理解。方法的工作原理和数据流动过程。

原创 【AutoFormer 源码理解】注意力模块调用关系

这种设计允许模型有效捕获时间序列中的周期性模式和长期依赖关系，而不依赖传统的点积注意力机制。

原创 【NeurIPS 2021】Autoformer、源码论文对照

因此，在提高效率的过程中，由于稀疏的逐点连接，这些模型会牺牲信息利用效率，从而导致时间序列长期预测的瓶颈。时间序列预测问题是指在给定过去长度为I的时间序列的情况下，预测未来最可能的长度为O的时间序列，记作input-I-predict-O。为了应对长期时间序列预测中复杂的时间模式，我们尝试引入分解的思想，这是时间序列分析中的标准方法。• 为应对长期未来复杂的时间模式，我们提出了Autoformer作为一种分解架构，并设计了内部的分解块，赋予深度预测模型逐步分解的内在能力。

原创 【AutoFormer 源码理解】

这行代码根据embed_type。

原创 【AutoFormer 源码理解】 conv1d

将输入张量从[B, L, D]转置为[B, D, L]

原创 【论文复现 AutoFormer】

这种分解方法使 Autoformer 能够分别处理时间序列的不同频率成分，从而提高长序列预测的准确性。

原创 【统计学相关笔记】2. 多元正态的Cochran定理

二次型矩阵和线性变换阵乘积=0即可。

原创 【统计学相关笔记】抽样基本定理的证明

抽样基本定理的证明。

原创 【SegRNN 源码理解】验证集和测试集

问题，验证集到底是什么？验证集和测试集不是一样的嘛，调用的函数都是一样的。

原创 【SegRNN 源码理解】控制台输出信息

优化器会根据其内部的更新规则（如 Adam 算法）调整模型的权重和偏置。

原创 【统计学相关笔记】Gamma 伽马分布

数字特征、特征函数，分布族。

原创 【统计学相关笔记】有效估计与一致最小方差无偏估计 (UMVUE)

搬运： 有效估计与一致最小方差无偏估计 (UMVUE) 非常感谢。

原创 【统计学相关笔记】经验分布函数

经验分布函数

原创 【SegRNN 源码理解】【今天不水文系列】编码器部分理解

（15）样本 334-特征 1 ：【512】【512】【512】【512】【512】（15）样本 334-特征 7 ：【512】【512】【512】【512】【512】（0）样本 1-特征 1 ：【512】【512】【512】【512】【512】（0）样本 1-特征 2 ：【512】【512】【512】【512】【512】（0）样本 1-特征 7 ：【512】【512】【512】【512】【512】（1）样本 6-特征 1 ：【512】【512】【512】【512】【512】

原创 【SegRNN 源码理解】图示理解 forward的过程

这种设计使SegRNN能高效处理长序列预测问题，特别是在多变量时间序列中，不同特征具有不同时间模式的情况。

原创 【SegRNN 源码理解】PMF的多步并行预测

用自己的话，593 个样本，随机选择了 16 个，这16 个样本的时间步并不一定是连续的，但是一个 batch 内部封装的 60 个时间步一定是连续的。我又有了一个新的问题，训练集大小是 593 个样本，怎么 batchsize=16，seqlen=60。